Fugu-MT 論文翻訳(概要): Self Supervised Vision for Climate Downscaling

論文の概要: Self Supervised Vision for Climate Downscaling

arxiv url: http://arxiv.org/abs/2401.09466v1
Date: Tue, 9 Jan 2024 10:20:49 GMT
ステータス: 処理完了
システム内更新日: 2024-01-22 09:14:15.767974
Title: Self Supervised Vision for Climate Downscaling
Title（参考訳）: 地球温暖化の自己監視ビジョン
Authors: Karandeep Singh, Chaeyoon Jeong, Naufal Shidqi, Sungwon Park, Arjun Nellikkattil, Elke Zeller, Meeyoung Cha
Abstract要約: 将来の気候変動研究の予測は、地球の気候システムをシミュレートするコンピュータモデルであるアース・システム・モデル(Earth System Models, ESMs)に基づいている。 ESMは様々な物理システムを統合するためのフレームワークを提供するが、その出力は高解像度シミュレーションの実行とアーカイブに必要な膨大な計算資源に縛られている。本研究では,モデル最適化に高分解能基底真理データを必要としないESMシミュレーションデータをダウンスケールするディープラーニングモデルを提案する。
参考スコア（独自算出の注目度）: 16.407155686685666
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Climate change is one of the most critical challenges that our planet is facing today. Rising global temperatures are already bringing noticeable changes to Earth's weather and climate patterns with an increased frequency of unpredictable and extreme weather events. Future projections for climate change research are based on Earth System Models (ESMs), the computer models that simulate the Earth's climate system. ESMs provide a framework to integrate various physical systems, but their output is bound by the enormous computational resources required for running and archiving higher-resolution simulations. For a given resource budget, the ESMs are generally run on a coarser grid, followed by a computationally lighter $downscaling$ process to obtain a finer-resolution output. In this work, we present a deep-learning model for downscaling ESM simulation data that does not require high-resolution ground truth data for model optimization. This is realized by leveraging salient data distribution patterns and the hidden dependencies between weather variables for an $\textit{individual}$ data point at $\textit{runtime}$. Extensive evaluation with $2$x, $3$x, and $4$x scaling factors demonstrates that the proposed model consistently obtains superior performance over that of various baselines. The improved downscaling performance and no dependence on high-resolution ground truth data make the proposed method a valuable tool for climate research and mark it as a promising direction for future research.
Abstract（参考訳）: 気候変動は今日地球が直面している最も重要な課題の1つだ。世界の気温上昇はすでに地球の気象や気候パターンに顕著な変化をもたらしており、予測不能で極端な気象現象の頻度が増加している。将来の気候変動研究の予測は、地球の気候システムをシミュレートするコンピュータモデルである地球システムモデル(esms)に基づいている。 ESMは様々な物理システムを統合するためのフレームワークを提供するが、その出力は高解像度シミュレーションの実行とアーカイブに必要な膨大な計算資源に縛られている。与えられたリソース予算に対して、ESMは一般に粗いグリッド上で実行され、続いて計算的に軽量な$downscaling$プロセスによってより微細な解像度の出力が得られる。本研究では,モデル最適化に高分解能基底真理データを必要としないESMシミュレーションデータをダウンスケールするディープラーニングモデルを提案する。これは、$\textit{individual}$ data point at $\textit{runtime}$に対して、適切なデータ分散パターンと天気変数間の隠れ依存性を活用することで実現される。 2$x,3$x,4$xのスケーリングファクタによる大規模評価は,提案モデルが各種ベースラインよりも常に優れた性能が得られることを示す。低スケール性能の向上と高分解能地中データへの依存の欠如により,提案手法は気候研究に有用なツールとなり,今後の研究に有望な方向性と位置づけられる。

関連論文リスト

Deep Learning for Weather Forecasting: A CNN-LSTM Hybrid Model for Predicting Historical Temperature Data [7.559331742876793]
本研究では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を併用したハイブリッドモデルを提案する。 CNNは空間的特徴抽出に利用され、LSTMは時間的依存を処理し、予測精度と安定性が大幅に向上する。
論文参考訳（メタデータ） (2024-10-19T03:38:53Z)
MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文参考訳（メタデータ） (2024-08-20T13:45:49Z)
Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
論文参考訳（メタデータ） (2024-06-21T00:16:55Z)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文参考訳（メタデータ） (2024-01-22T14:02:56Z)
Generating High-Resolution Regional Precipitation Using Conditional Diffusion Model [7.784934642915291]
本稿では,気候データ,特に地域規模での降水量について,より詳細な生成モデルを提案する。複数のLR気候変数に条件付き拡散確率モデルを用いる。以上の結果から,下降気候データにおける条件拡散モデルの有効性が示唆された。
論文参考訳（メタデータ） (2023-12-12T09:39:52Z)
Towards Causal Representations of Climate Model Data [18.82507552857727]
この研究は因果表現学習の可能性、特に単一パーセンシャル・デコーディング(CDSD)法によるemphCausal Discoveryの可能性を掘り下げるものである。以上の結果から,CDSDをより解釈可能で堅牢な気候モデルエミュレーションへのステップストーンとして使用するという課題,限界,約束が明らかになった。
論文参考訳（メタデータ） (2023-12-05T16:13:34Z)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
Loosely Conditioned Emulation of Global Climate Models With Generative Adversarial Networks [2.937141232326068]
我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。 GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
論文参考訳（メタデータ） (2021-04-29T02:10:08Z)
DeepClimGAN: A High-Resolution Climate Data Generator [60.59639064716545]
地球系モデル(ESM)は、気候変動シナリオの将来の予測を生成するためにしばしば用いられる。妥協として、エミュレータはかなり安価であるが、ESMの複雑さを全て備えているわけではない。本稿では, ESMエミュレータとして, 条件付き生成逆数ネットワーク(GAN)の使用を実証する。
論文参考訳（メタデータ） (2020-11-23T20:13:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。